[논문 리뷰] Optimized observable readout from single-shot images of ultracold atoms via machine learning

Axel U. J. Lode, Rui Lin외 7명|arXiv (Cornell University)|2021. 01. 01.

Cold Atom Physics and Bose-Einstein Condensates참고 문헌 130인용 수 16

한 줄 요약

이 논문은 초냉각 원자에서 단일 촬영 이미지로부터 1체 및 2체 밀도, 운동량 공간 관측량, 상관 함수를 기존 평균화 방법보다 훨씬 더 정확하게 추출하기 위해 인공 신경망(ANNs)을 사용하는 것을 제안한다. 주요 기여는 ANNs를 통해 실공간 이미지에서 운동량 공간 관측량을 신뢰성 있게 재구성할 수 있으며, 그 반대도 가능하게 하여 실험 재구성의 필요성을 제거하고, 필요한 이미지 수를 크게 줄인다는 점이다.

ABSTRACT

Single-shot images are the standard readout of experiments with ultracold atoms, the imperfect reflection of their many-body physics. The efficient extraction of observables from single-shot images is thus crucial. Here we demonstrate how artificial neural networks can optimize this extraction. In contrast to standard averaging approaches, machine learning allows both one- and two-particle densities to be accurately obtained from a drastically reduced number of single-shot images. Quantum fluctuations and correlations are directly harnessed to obtain physical observables for bosons in a tilted double-well potential at an extreme accuracy. Strikingly, machine learning also enables a reliable extraction of momentum-space observables from real-space single-shot images and vice versa. With this technique, the reconfiguration of the experimental setup between in situ and time-of-flight imaging is required only once to obtain training data, thus potentially granting an outstanding reduction in resources.

연구 동기 및 목표

• 초냉각 원자에서 단일 촬영 이미지로부터 관측량을 추출하는 데 있어 기존 평균화 방법의 비효율성을 극복하기 위해.
• 최소한의 이미지 데이터에서 최적으로 1체 및 2체 밀도와 상관 함수를 재구성하는 기계학습 프레임워크를 개발하기 위해.
• ANNs가 실공간 단일 촬영 이미지에서 운동량 공간 관측량을 추출할 수 있고, 그 반대도 가능하게 하여 별도의 실험적 촬영 설정이 필요 없도록 하는 것을 목적으로 한다.
• 양자 시뮬레이터에서 신경망 기반 관측량 추출을 위한 일반 목적의 오픈소스 툴킷(UNIQORN)을 구축하기 위해.

제안 방법

• 기울기 있는 双우물 퍼텐셜에 있는 N-보존 시스템의 시뮬레이션된 단일 촬영 이미지에 대해 인공 신경망(ANNs)을 훈련시켰다.
• 단일 촬영 이미지를 입력으로 사용하여 1체 및 2체 밀도를 예측하기 위해 지도 학습 회귀를 사용하였다.
• 공간 상관관계를 처리하고 원시 이미지 데이터에서 물리적 관측량을 추출하기 위해 컨volutional 및 dense 레이어를 설계한 ANNs를 구현하였다.
• 일반화를 보장하기 위해 랜덤화된 파arameters (h, σ, g, α, N)를 가진 3,000개의 기본 상태 파동함수로 구성된 다양한 데이터셋을 활용하였다.
• 유연하고 재현 가능한 관측량 추론을 위해 텐서플로우 기반으로 구축된 오픈소스 툴킷 UNIQORN에 이 방법을 구현하였다.
• 다양한 수의 단일 촬영 이미지(Ns)에서 ANN 예측값을 정확한 이론적 값과 기존 평균화 방법과 비교하여 성능을 검증하였다.

실험 결과

연구 질문

• RQ1 인공 신경망이 초냉각 원자에서 단일 촬영 이미지로부터 1체 및 2체 밀도를 추출하는 데 있어 기존 평균화 방법을 능가할 수 있는가?
• RQ2 ANNs가 시간 비행 촬영 없이 실공간 단일 촬영 이미지에서 운동량 공간 관측량인 ρ(k) 및 ρ(2)(k,k′)를 재구성할 수 있는가?
• RQ3 ANNs가 운동량 공간 단일 촬영 데이터에서 실공간 관측량인 ρ(x) 및 ρ(2)(x,x′)를 정확하게 추론할 수 있는가?
• RQ4 ANNs가 기존 평균화 방법과 동일하거나 더 높은 정확도를 달성하기 위해 몇 장의 단일 촬영 이미지가 필요한가?
• RQ5 동일한 ANN 모델이 분산 및 응축된 다체 상태를 포함한 다양한 물리적 영역에서 신뢰성 있게 관측량을 추출할 수 있는가?

주요 결과

• ANNs는 단지 10장의 단일 촬영 이미지로도 기존 평균화 방법보다 훨씬 더 높은 정확도로 1체 및 2체 밀도를 재구성하는 데 성공했다.
• ANN 기반 방법은 동일한 정확도에 도달하기 위해 기존 평균화 방법 대비 필요한 이미지 수를 최대 100배까지 줄였다.
• 실공간 단일 촬영 이미지에서 운동량 공간 관측량(ρ(k), ρ(2)(k,k′))을 높은 정밀도로 성공적으로 재구성하여 시간 비행 촬영의 필요성을 제거했다.
• 반대로, 약 200장의 이미지를 사용할 경우 운동량 공간 이미지에서 실공간 관측량을 추론하는 데 기존 평균화 방법과 유사한 정확도를 달성했다.
• Ns ≈ 200일 때, 운동량 공간 이미지에서의 ANN 기반 추론이 실공간 이미지에서의 전통적 평균화 방법의 정확도에 도달했다.
• 이 방법은 분산 및 응축된 다체 상태를 포함한 다양한 물리적 영역에서 뛰어난 내성과 일반화 능력을 보였다.